結論與建議

決策樹分類法的運算係採用一系列比較大小 所組成，與採用複雜計算公式的最大概似分類法比 較，其優點是可以用較短的時間獲得分類成果。由 研究成果顯示透過決策樹的方式不僅可以提升分 類成果，亦可以藉由 CART 的樹狀圖呈現判釋規 則，呈現研究範圍內的水稻知識，進而達到知識發 現的目標。雖然，各個判識規則可能會因地制宜，

仍可透過屬性質達成水稻分類的目的，並提升水稻 判釋成果。

在學習集成方面，研究中利用各種不同的分類 規則找出較佳組合模型，利用權重配比的方式，改 變學習過程中的樣本分配，進而改善最後的分類成 果，其分類的成果分別較 MLC 及 CART 增加了近 5%及 3%的成果。

在 Boosting 方面研究成果顯示，由影像數據 可以確定其為非水稻，然而坵塊圖確實為水稻的情 形產生，推測是因為耕作時序不同之緣故，造成其 光譜反應很明顯的呈現非水稻的錯誤分類問題，此 非不確定性因素，而是實際農耕時序之問題所產生 的限制，因此 Boosting 改善的成果有限。

本研究之建議如下：

Boosting 在概念上，主要是搜尋類別間的最大 分割 Margin，其透過的是學習集成的方式；而相 較於 SVM 分類器，其主要也是找尋類別間的最大 分割 Margin，但其是透過由低維轉高維的方式來 進行演算，故在後續研究上，可朝此方向加以探 討。

再者，水稻生長時序是分類過程中很重要的一

航測及遙測學刊 第十三卷 第一期 民國 97 年 3 月 54

項知識，且無法在實驗或研究中確切獲得每塊坵塊 之耕作時序以及生長情形，故若以提水稻分類成果 而言，雖有其自然條件之限制，然而可以再加入多 時段的衛星影像，以擴大水稻與非水稻的差異，獲 得更多的分類知識及相對成果。

參考文獻

呂坤哲，2002，基於決策樹之影像資料挖掘法及其 在影像處理上的應用，逢甲大學資訊工程學系 碩士論文。

吳政庭，2004，多元尺度影像與半變異元紋理法於 都市區水稻田分類之研究，逢甲大學土地管理 學系碩士論文。

施奕良，2006，知識表達方式於影像判釋之研究－

以粗糙集合理論與主成份分析為例，逢甲大學 環境資訊科技研究所碩士論文。

侯昌成，2001，可順應調節之學習力提昇的經驗研 究，國立中正大學數理統計研究所碩士論文。

陳晉徹，1993，數值影像中相同紋理區分塊方法之 研究，國立成功大學航空測量研究所碩士論 文。

楊龍士及周天穎，2000，遙感探測理論與分析實 務，逢甲大學地理資訊系統研究中心，第5-3 頁，台中。

雷祖強、周天穎及吳政庭，2002，遙測組織量化分 類法之介紹，第五屆GPS衛星科技研討會，台 北。

蔡博文，2005，台灣山地地區土地利用時序資料庫 建立之研究，永續發展科技與政策研討會。

趙民德，2001，皮匠法(boosting)的美麗與哀愁，中 國統計學報。

劉小平、彭曉鵑及艾彬，2004，像元信息分解和決 策樹相結合的影像分類方法，地理與地理信息 科學20(6)。

黎瑋，1998，紋理分析於遙測影像分類之研究，國

立中央大學土木工程學系碩士論文。

錢樂祥，2004，遥感数字影像处理与地理特征提 取，科学出版社，北京。

魏曉萍，2003，Quickbird衛星影像探討分類方法之 研究，中華大學土木工程學系碩士論文。

蕭國鑫，1998，多時遙測光學與雷達資料於水稻田 辨識之研究，國立交通大學土本工程學系碩士 論文。

Breiman, L., Friedman, J. H., Olshen, R. A. and Stone., C. J.,1983, Classification and Regression Trees, Wadsworth.

Chica-Olmo, M. and Abarca-Hernandez, F., 2000, Computing Geostatistical Image Texture for Remotely Sensed Data Classification, Computers &

Geosciences, 26:373-383.

Dunham, M. H., 2002, Data Mining-Introductory and advanced Topics, Prentice Hall Inc.

Freund, Y. and R. E. Schapire, 1996, Experiments with a New Boosting Algorithm, Machine Learning:

Proceeding s of the 13th International Coference.

Friedman,J., L. Breiman, Charles J. Stone, R.A. Olshen, 1984, Classification and Regression Trees, Chapman and Hall, New York.

Jensen, J. R., 2005, Introductory Digital Image Procession A Remote Sensing Perspective 3rd Edition, Prentice Hall, Inc.

Lillesand, T. M. and R. W. Kiefer, 2000, Remote sensing and Image Interpretation (4th Edition), John Wiley and Sons, Inc.

McIver, D.K. and M.A. Friedl, 2002, Using prior probabilities in decision-tree classification of remotely sensed data, Remote Sensing of Environment, vol. 81:253-261.

Schapire, R. E., 1990, The strength of weak learnability,

陳慧欣、劉致亨、周天穎、楊龍士：以 Boosting 法改進監督式分類於水稻田樣本特性之研究 55

Machine Learning vol. 5(2)

Schapire, R. E., 1999, A brief Introduction to Boosting, Proceedings of the 16th International Joint Coference on Artificial Intelligence.

Schapire, R. E., M. Rochery, M. Rahim and Narendra Gupta, 2005, Boosting with prior knowledge for call classification, IEEE Transactions on Speech and Audio Processing, vol. 13(2).

Yang C. C., S. O. Prasher, P. Enright, C. Madramootoo, M. Burgess, P. K. Goel, I. Callum, 2003, Application of decision tree technology for image classification using remote sensing data, Agricultural Systems, vol. 76:1101-1117.

Journal of Photogrammetry and Remote Sensing Volume 13, No. 1, March 2008 56